dsh-video-lens

许多基于 DeepSeek Harness 的智能体只具备文本理解能力，面对本地视频文件时往往无能为力，难以完成摘要、检索或基于片段的问答。dsh-video-lens 正是为解决这一缺口而生——它让纯文本模型也能“看懂”和“听懂”视频。

插件的核心能力围绕三个工具展开：video_probe 通过 ffprobe 快速返回容器、时长、分辨率、帧率、音视频编码等元数据；video_analyze 利用 ffmpeg 的场景检测进行内容感知抽帧，并可选择性叠加语音转写，再将视觉信息交给任意 OpenAI 兼容的视觉模型，输出包含时间戳与证据的结构化 JSON；video_ask 则支持时间锚定问答，能识别“3分20秒”“第2分钟”等表达，或根据转录关键词定位相关片段并重新采样后作答。

该插件不将用户锁定在特定服务商：视觉与语音识别端点均可通过 baseUrl、模型名和环境变量灵活配置。所有媒体处理都委托给本机 ffmpeg/ffprobe，代理本身无需进行原生解码，降低了集成复杂度。

适合希望在 DeepSeek Harness 工作流中处理视频内容的开发者，无论是构建视频摘要与内容索引，还是开发基于时间点的检索问答助手，都能借助它快速为文本型代理扩展多模态感知能力。